[发明专利]一种基于深度学习的通信信号特征融合方法

权利要求书

1.一种基于深度学习的通信信号特征融合方法，包括以下步骤：

S1.对目标离散信号进行预处理，使用短时傅里叶变换提取所有数据的功率谱密度P，将功率谱密度P作为通信信号源的特征；

S2.以功率谱密度P作为通信辐射源的特征导入事先训练好的神经网络，完成特征的提取，得到特征P1；

S3.将目标离散信号分段，求每一段的载频和码元速率相对偏差，将之作为特征P2；

S4.将提取后的特征P2与特征P1在数量级上对应拼接起来，作为融合特征P3；采用融合特征P3对信号进行识别；

其中，S2中神经网络的训练方法为：

S21.使用LeNet网络从导入的功率谱密度P中抽取特征，得到特征P1；

S22.将数据添加标签并导入LeNet网络中进行训练；使用交叉验证的方法对训练的模型进行测试并使用SGD优化器；优化度量指标包括训练集和测试集的正确率、各分类目标的识别率；

LeNet网络中需要调试的参数包括：学习率、时期、批大小、每个隐藏层中的单元数、全连接层的个数、全连接层的单元数、隐藏层和全连接层的激活函数、损失函数、优化器。

2.如权利要求1所述的一种基于深度学习的通信信号特征融合方法，其特征在于步骤S1的具体方法为：

对目标离散信号进行预处理，使用短时傅里叶变换提取所有数据的功率谱密度P，将之作为通信信号源的本质特征；

功率谱密度谱是对随机变量均方值的量度；一般用于随机振动分析，连续瞬态响应只能通过概率分布函数进行描述，即出现水平响应所对应的概率；取采集到的数据一个，读取后得到源数据，将之分段，再将每一段的数据进行计算能量谱密度P，最后将每一段得出来的P拼接起来组成整个目标离散信号的特征；

其计算公式如下：；

其中， 表示目标离散信号，表示信号幅度，表示相位， 表示码元宽度， 表示加性高斯白噪声， 表示矩形信号， 表示角频率， ，将 离散化为：

；

其中， 表示采样频率， 表示信号频率，将其变换为：

；

其中w(m)为长度为N的窗函数，计算目标离散信号 在时刻i的能量谱密度为：

。

3.如权利要求2所述的一种基于深度学习的通信信号特征融合方法，其特征在于所述步骤S3的具体方法为：

S31.载频相对偏差；

设侦收的单载频信号序列为：

其中， 表示信号角频率， 表示初相， 表示样本间隔，, 表示均值为零方差为的复高斯白噪声，, 表示实部， 表示虚部，则

当1时，，所以：

再使用最小二乘法原理进行相位拟合，给定一组测量数据 , 表示信号初始时间点，使用最小二乘法确定多项式 ，使目标函数 取得最小值；采用线性函数对瞬时相位进行拟合，得方程：

；

其中， 表示 的估计值， 表示 的估计值，解上述方程组就可以得到载频的估计值；

；

载频估计值依赖于信号初始时间点 的选取；观察可以发现，若选取,那么 r(0) 将成为观测序列的中心点，这个过程等效于ϕ(n) 在负相位进行对称延拓，最后 为：

；

S32.码元速率的相对偏差

原信号 x(i)在时刻i的能量谱密度等于短时傅立叶变换的模平方,则原信号 在时刻i的时频能量分布为：

；

将时频能量分布对频率分量进行归一化，并定义 以反映不同时刻的数字调制信号的时频能量变化，即 ,对以时频能量序列 表示的信号进行离散小波变换,

；

对小波变换的模值再做一次连续Haar小波变换,可以得到：

其中 为码元交界处的幅度，对y(t)进行傅立叶变换，得到：

的第一个峰值位置即为码元速率。